图书介绍
深度学习框架PyTorch 入门与实践PDF|Epub|txt|kindle电子书版本网盘下载
![深度学习框架PyTorch 入门与实践](https://www.shukui.net/cover/75/34537968.jpg)
- 陈云编著 著
- 出版社: 北京:电子工业出版社
- ISBN:9787121330773
- 出版时间:2018
- 标注页数:290页
- 文件大小:179MB
- 文件页数:303页
- 主题词:机器学习-研究
PDF下载
下载说明
深度学习框架PyTorch 入门与实践PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台)。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用!后期资源热门了。安装了迅雷也可以迅雷进行下载!
(文件页数 要大于 标注页数,上中下等多册电子书除外)
注意:本站所有压缩包均有解压码: 点击下载压缩包解压工具
图书目录
1 PyTorch简介1
1.1 PyTorch的诞生1
1.2常见的深度学习框架简介2
1.2.1 Theano3
1.2.2 TensorFlow3
1.2.3 Keras5
1.2.4 Caffe/Caffe25
1.2.5 MXNet6
1.2.6 CNTK7
1.2.7其他框架8
1.3属于动态图的未来8
1.4为什么选择PyTorch10
1.5星火燎原12
1.6 fast.ai放弃Keras+TensorFlow选择PyTorch13
2快速入门16
2.1安装与配置16
2.1.1安装PyTorch16
2.1.2学习环境配置20
2.2 PyTorch入门第一步30
2.2.1 Tensor30
2.2.2 Autograd:自动微分35
2.2.3神经网络38
2.2.4小试牛刀:CIFAR-10分类43
3 Tensor和autograd51
3.1 Tensor51
3.1.1基础操作52
3.1.2 Tensor和Numpy70
3.1.3内部结构73
3.1.4其他有关Tensor的话题76
3.1.5小试牛刀:线性回归78
3.2 autograd81
3.2.1 Variable82
3.2.2计算图86
3.2.3扩展autograd94
3.2.4小试牛刀:用Variable实现线性回归99
4神经网络工具箱nn103
4.1 nn.Module103
4.2常用的神经网络层107
4.2.1图像相关层107
4.2.2激活函数110
4.2.3循环神经网络层114
4.2.4损失函数116
4.3优化器116
4.4 nn.functional118
4.5初始化策略120
4.6 nn.Module深入分析122
4.7 nn和autograd的关系129
4.8小试牛刀:用50行代码搭建ResNet130
5 PyTorch中常用的工具135
5.1数据处理135
5.2计算机视觉工具包:torchvision147
5.3可视化工具149
5.3.1 Tensorboard150
5.3.2 visdom152
5.4使用GPU加速:cuda158
5.5持久化161
6 PyTorch实战指南164
6.1编程实战:猫和狗二分类164
6.1.1比赛介绍165
6.1.2文件组织架构165
6.1.3关于__init__.py167
6.1.4数据加载167
6.1.5模型定义170
6.1.6工具函数171
6.1.7配置文件174
6.1.8 main.py176
6.1.9使用184
6.1.10争议185
6.2 PyTorch Debug指南187
6.2.1 ipdb介绍187
6.2.2在PyTorch中Debug191
7 AI插画师:生成对抗网络197
7.1 GAN的原理简介198
7.2用GAN生成动漫头像202
7.3实验结果分析211
8 AI艺术家:神经网络风格迁移215
8.1风格迁移原理介绍216
8.2用PyTorch实现风格迁移222
8.3实验结果分析233
9 AI诗人:用RNN写诗237
9.1自然语言处理的基础知识237
9.1.1词向量238
9.1.2 RNN240
9.2 CharRNN243
9.3用PyTorch实现CharRNN246
9.4实验结果分析257
10 Image Caption:让神经网络看图讲故事260
10.1图像描述介绍261
10.2数据262
10.2.1数据介绍262
10.2.2图像数据处理270
10.2.3数据加载272
10.3模型与训练275
10.4实验结果分析280
11展望与未来282
11.1 PyTorch的局限与发展282
11.2使用建议286